Parloa عامل‌هایی می‌سازد که مشتریان دوست دارند با آن‌ها صحبت کنند

در نخستین روزهای فعالیت Parloa، اشتفان اوست‌والد، هم‌بنیان‌گذار شرکت، یک روز را در مرکز تماس یک شرکت بیمه گذراند؛ جایی که تیمش مشغول ساخت نخستین تجربه‌های صوتی بود. او در کنار کارشناسان نشست و بارها مکالمات مشابهی را شنید: بازنشانی گذرواژه، پرسش درباره بیمه‌نامه و تغییرات معمول. او دریافت که بخش بزرگی از این کار را می‌توان خودکار کرد.

پس از این تجربه، شرکت برلینی Parloa⁠(در یک پنجره جدید باز می‌شود) ساخت عامل‌های صوتی مبتنی بر قواعد را برای خودکارسازی تعاملات پرتعداد مشتریان آغاز کرد.

با ظهور ChatGPT، مسیر شرکت تغییر کرد و به ساخت چیزی پرداخت که امروز «پلتفرم مدیریت عامل هوش مصنوعی» (AMP) نام دارد؛ پلتفرمی مبتنی بر نسل جدیدی از مدل‌ها، از جمله GPT‑5.4.

AMP به سازمان‌ها امکان می‌دهد تعاملات خدمات مشتری را در مقیاس بالا طراحی، راه‌اندازی و مدیریت کنند. تیم‌ها به‌جای ترسیم نیت‌ها و جریان‌های انعطاف‌ناپذیر، رفتار را با زبان طبیعی تعریف می‌کنند، به سامانه‌های داخلی متصل می‌شوند و با شبیه‌سازی‌ها و ارزیابی‌های داخلی به‌سرعت بهبود می‌دهند.

Parloa این تعاملات را از ابتدا تا انتها اجرا می‌کند؛ از مسیریابی ساده گرفته تا درخواست‌های پیچیده و چندمرحله‌ای. تمرکز بر ثبات در محیط عملیاتی است؛ جایی که عملکرد، تأخیر و موارد مرزی همگی اهمیت دارند. برای دستیابی به این هدف، Parloa مدل‌ها را پیش از استقرار، پیوسته با سناریوهای واقعی مشتریان آزمایش می‌کند.

پلتفرم مدیریت عامل Parloa‏ (AMP) برای آن طراحی شده است که کاربران کسب‌وکار و کارشناسان حوزه بتوانند بدون کدنویسی عامل‌های هوش مصنوعی بسازند.

اورایلی می‌گوید: «با AMP، کارشناسان حوزه در واحدهای مختلف کسب‌وکار می‌توانند خودشان عامل‌ها را بسازند و APIها را بسیار سریع‌تر و ساده‌تر متصل کنند.»

در سطح کلان، AMP به برندها امکان می‌دهد کل چرخه عمر عامل هوش مصنوعی را مدیریت کنند. برای این کار، راهی ساده‌تر در اختیار تیم‌های غیرفنی می‌گذارد تا پیش از عملیاتی‌شدن عامل، رفتار آن را تعریف کنند. کارشناسان حوزه به‌جای کدنویسی یا ترسیم درخت‌های نیت انعطاف‌ناپذیر، نقش، دستورالعمل‌ها، ابزارها و محدوده‌های عامل را با زبان طبیعی تعیین می‌کنند. این پیکربندی مبنای نحوه ارائه اعلان به مدل و رفتار سامانه در محیط عملیاتی قرار می‌گیرد.

پس از تعریف، عامل پیش از استقرار آزمایش می‌شود. Parloa مکالمات مشتریان را با مدل‌هایی مانند GPT‑5.4 شبیه‌سازی می‌کند؛ یک مدل نقش تماس‌گیرنده را دارد و مدل دیگر عامل پیکربندی‌شده را اجرا می‌کند. تیم‌ها می‌توانند این تعاملات را مستقیماً بررسی کنند، تغییرات را در سناریوهای واقع‌گرایانه بیازمایند و پیش از راه‌اندازی بهبود دهند.

سپس همین مدل‌ها با ترکیبی از بررسی‌های قطعی و امتیازدهی الگوهای زبانی بزرگ (LLM) در نقش داور، آن مکالمات را ارزیابی می‌کنند. این ارزیابی مشخص می‌کند که آیا عامل دستورالعمل‌ها را رعایت کرده، ابزارها را درست به کار برده و وظیفه را مطابق انتظار انجام داده است یا نه.

در جریان مکالمه زنده، لایه هماهنگ‌سازی AMP پیکربندی عامل و بافت مکالمه را به‌صورت اعلان به یک مدل OpenAI می‌دهد تا پاسخ تولید کند، اطلاعات را از طریق RAG بازیابی کند یا ابزارهایی را برای تعامل با سامانه‌های پشتیبان مشتری فعال سازد. Parloa این لایه را هم‌زمان با اثبات بهبود محسوس عملکرد نسل‌های جدید مدل‌ها در دنیای واقعی، پیوسته به‌روزرسانی می‌کند.

پس از مکالمه، گردش‌کارهای جداگانه مبتنی بر OpenAI تعامل را خلاصه می‌کنند، نیت مشتری را دسته‌بندی می‌کنند و عملکرد را براساس قواعد تعریف‌شده می‌سنجند.

با پیچیده‌ترشدن عامل‌ها، نگهداری یک اعلان یکپارچه و بزرگ دشوارتر شد. تغییرات کوچک می‌توانستند عوارض جانبی ناخواسته‌ای ایجاد کنند. Parloa برای حل این مشکل رویکردی ماژولار معرفی کرد. کارهایی مانند احراز هویت، تغییر رزرو یا به‌روزرسانی حساب را می‌توان میان زیرعامل‌های مجزا تقسیم کرد؛ روشی که پیروی از دستورالعمل‌ها را بهبود می‌دهد و تکامل سامانه‌ها را در گذر زمان آسان‌تر می‌کند.

هم‌زمان، پلتفرم در بخش‌هایی که اطمینان‌پذیری بیشترین اهمیت را دارد، از کنترل‌های قطعی استفاده می‌کند. سازمان‌ها می‌توانند زنجیره‌های ساختاریافته API و منطق رویدادمحور تعریف کنند تا مراحل حیاتی به ترتیب درست اجرا شوند و میان انعطاف مکالمه و اجرای پیش‌بینی‌پذیر تعادل برقرار شود.

Parloa پیش از عملیاتی‌شدن عامل، با مدل‌هایی مانند GPT‑4.1، GPT‑5‑mini و مدل‌های دیگر تعاملات واقع‌گرایانه مشتریان را شبیه‌سازی می‌کند و سپس آن‌ها را با ترکیبی از الگوهای زبانی بزرگ (LLM) در نقش داور و قواعد قطعی می‌سنجد. بدین‌ترتیب، تیم‌ها می‌توانند موارد مرزی را بیازمایند، سریع بهبود دهند و پیش از آنکه مشتریان با خطا روبه‌رو شوند، عملکرد را اعتبارسنجی کنند.

Parloa عمدتاً با سازمان‌های بزرگ کار می‌کند؛ جایی که ثبات به‌اندازه توانمندی اهمیت دارد.

ماتیاس دویچ، دانشمند ارشد علوم کاربردی، می‌گوید: «وقتی مدل جدیدی عرضه می‌شود، مجموعه معیارهای ارزیابی خود را روی آن اجرا می‌کنیم.» «برای ما بسیار مهم است که سامانه‌ها نه‌فقط در معیارهای نظری، بلکه در کاربردهای واقعی نیز کار کنند.»

Parloa به‌جای تکیه بر معیارهای انتزاعی، عامل‌های واقعی محیط عملیاتی را بازسازی می‌کند و آن‌ها را در خطوط لوله شبیه‌سازی و ارزیابی می‌آزماید. این آزمایش‌ها اطمینان‌پذیری در پیروی از دستورالعمل‌ها، ثبات فراخوانی API، تأخیر و عملکرد کلی را در شرایط واقع‌گرایانه می‌سنجند.

این ارزیابی‌ها مشخص می‌کنند کدام مدل‌ها آماده استفاده عملیاتی هستند. فقط مدل‌هایی مستقر می‌شوند که در سناریوهای واقعی مشتریان عملکردی قابل‌اعتماد داشته باشند.

دویچ می‌گوید: «مهاجرت برای مشتریان سازمانی هزینه‌ای واقعی دارد.» «وقتی سامانه‌ای در محیط عملیاتی درست کار می‌کند، آن را پایدار نگه می‌دارند و فقط زمانی تغییر می‌دهند که مزایا آشکار باشد.»

در نتیجه، سامانه‌ها حتی در مقیاس بالا نیز در محیط عملیاتی رفتاری پیش‌بینی‌پذیر دارند. در میان میلیون‌ها تعامل با مشتریان، بیشتر مکالمات بدون مشکل به نتیجه می‌رسند. حتی وقتی تماس‌ها به کارشناسان انسانی ارجاع داده می‌شوند، به‌ندرت دلیل آن بروز خطاست. در یکی از موارد استقرار، یک شرکت گردشگری جهانی درخواست‌ها برای صحبت با کارشناس انسانی را ۸۰٪ کاهش داد.

این نگرش ارزیابی‌محور به مزیتی کلیدی تبدیل شده است و به Parloa امکان می‌دهد بدون قربانی‌کردن اطمینان‌پذیری در محیط عملیاتی، سریع پیش برود.

ارتباط صوتی در مقایسه با گفت‌وگوی متنی محدودیت‌های متفاوتی دارد. هر تعامل از خط لوله‌ای با تأخیر کم عبور می‌کند: تبدیل گفتار به متن، استدلال مدل و تبدیل متن به گفتار.

به‌دلیل این خط لوله، تأخیر اهمیتی حیاتی دارد. حتی تأخیرهای اندک در لایه مدل روی هم جمع می‌شوند و مکثی محسوس برای تماس‌گیرنده ایجاد می‌کنند؛ موضوعی که بر انتخاب و بهینه‌سازی مدل‌ها اثر می‌گذارد.

Parloa برای بهینه‌سازی عملکرد در کاربردهای بلادرنگ، با تمرکز بر تأخیر، کیفیت پاسخ و پیروی از دستورالعمل‌ها، از نزدیک با OpenAI همکاری می‌کند. تیم پیش از عرضه نسخه‌های جدید مدل برای تعاملات زنده مشتریان، آن‌ها را پیوسته در محیط‌های مشابه محیط عملیاتی ارزیابی و تحت آزمون فشار قرار می‌دهد.

Parloa هر مؤلفه از پشته صوتی را جداگانه ارزیابی می‌کند:

• سامانه‌های تبدیل گفتار به متن از نظر نرخ خطای واژه آزمایش می‌شوند، به‌ویژه برای ورودی‌های حساسی مانند شماره بیمه‌نامه یا شناسه حساب.
• مدل‌های تبدیل متن به گفتار با آزمون‌های شنیداری کور ارزیابی می‌شوند تا میزان طبیعی‌بودن صدا برای کاربران واقعی سنجیده شود. سپس این نتایج با تعاملات واقعی مشتریان مقایسه می‌شوند تا ثبات عملکرد در محیط‌های عملیاتی تأیید شود.
• مدل‌های مکالمه-به-مکالمه اکنون با تمرکز بر تأخیر، دقت و هزینه، از نظر آمادگی برای استفاده عملیاتی ارزیابی می‌شوند.

این سامانه‌ها از ابتدا برای استقرار جهانی ساخته شده‌اند. معیارهای ارزیابی چندین زبان را پوشش می‌دهند و مشتریان نیز در مناطق مختلف جهان فعالیت دارند. این سخت‌گیری چندزبانه هم ریشه اروپایی Parloa را بازتاب می‌دهد و هم انتظارات مشتریان سازمانی را که خواهان عملکردی باثبات در بازارهای مختلف هستند، نه فقط در یک زبان یا منطقه.

امروز عامل‌های Parloa میلیون‌ها مکالمه را در صنایعی مانند خرده‌فروشی، گردشگری و بیمه مدیریت می‌کنند و کاربردهایی از خودکارسازی پشتیبانی تا جریان‌های درآمدزا مانند خرید تلفنی را پوشش می‌دهند.

Parloa معتقد است خدمات مشتری به تجربه‌ای کاملاً چندوجهی تبدیل خواهد شد.

ممکن است مکالمه با تماس تلفنی آغاز شود، در گفت‌وگوی متنی ادامه یابد و در طول مسیر شامل پیوندها یا عناصر تعاملی باشد. AMP به‌جای برخورد با هر مرحله به‌عنوان جریانی جداگانه، برای مدیریت همه آن‌ها در قالب یک تعامل واحد طراحی شده است. عامل‌های هوش مصنوعی ممکن است به‌مرور به‌اندازه وب‌سایت‌ها و اپلیکیشن‌های موبایل در مسیر مشتری نقشی محوری پیدا کنند.

هم‌زمان با حرکت سازمان‌ها به‌سوی خودکارسازی سهم فزاینده‌ای از تعاملات مشتریان، Parloa می‌کوشد عامل‌های هوش مصنوعی را آن‌قدر قابل‌اعتماد، انعطاف‌پذیر و مورد اعتماد کند که در مقیاس جهانی فعالیت کنند.